基于深度度量学习的人体运动分析
计算机视觉与模式识别
2018-08-07 v2
摘要
有效度量两个人体运动之间的相似度对于步态分析、人员识别和动作检索等多个计算机视觉任务是必要的。然而，我们认为基于手工局部姿态度量的 L2 距离或动态时间规整等传统方法未能恰当捕捉运动间的语义关系，因此不适合作为这些任务中的度量。本工作通过专门用于处理人体运动数据的基于三元组的深度度量学习来解决这一局限，特别是处理因运动对对齐导致的输入尺寸可变和计算代价高的难负样本挖掘问题。具体而言，我们提出（1）一种基于三元组架构和最大均值差异的新型度量学习目标；以及（2）一种基于注意力循环神经网络的新型深度架构。我们目标函数的一个好处是，它通过相关分布矩在所学嵌入空间中更好地分离不同运动类别。同时，我们的注意力循环神经网络允许将可变输入尺寸处理为固定尺寸嵌入，同时学习关注那些语义上具有区分性的运动部分。我们在两个不同数据集上的实验表明，相比传统人体运动度量有显著改进。
引用
@article{arxiv.1807.11176,
title = {Human Motion Analysis with Deep Metric Learning},
author = {Huseyin Coskun and David Joseph Tan and Sailesh Conjeti and Nassir Navab and Federico Tombari},
journal= {arXiv preprint arXiv:1807.11176},
year = {2018}
}
备注
To appear in ECCV 2018